本研究探讨了基于心电图 (ECG) 的深度学习模型和基于手工特征 HRV 的应力识别模型对应力数据的概括能力，并发现 HRV 模型在不同数据集上的表现显著优于深度学习模型。

Oct, 2022

利用心率变异性（HRV）特征进行自动应激检测已经得到显著推广，它利用不引人注意的可穿戴传感器测量信号，如心电图（ECG）或血容量脉搏（BVP）。然而，通过这些生理信号检测应激存在相当大的挑战，因为记录的信号受到感知的应激强度和测量设备等因素的影响。本研究旨在探索基于 HRV 特征训练的机器学习模型在二分类应激检测中的通用性，并确定对通用性具有最重要影响的数据集特征。我们利用四个公开可得到的应激数据集（WESAD，SWELL-KW，ForDigitStress，VerBIO），这些数据集在应激诱发技术、应激强度和传感器设备等方面具有差异。通过交叉数据集评估方法，我们探究了哪些特征对模型的通用性影响最大。研究结果揭示了影响模型通用性的一个关键因素：应激类型。当应激类型保持一致时，模型在不同数据集上表现良好。而应激强度或测量设备品牌等因素对交叉数据集性能的影响较小。根据我们的发现，我们建议在新环境中部署基于 HRV 的应激模型时匹配应激类型。据我们所知，这是第一项系统研究 HRV-based 应激模型的跨数据集适用性影响因素。

May, 2024

综述当前利用可穿戴设备和机器学习技术监测与检测压力的研究，概括了公开的应力数据集、机器学习技术和未来研究方向。纵观文献，指出存在诸如标记方案、统计功效、压力生物标志物的有效性、广义能力等方面的问题。未来的研究会继续提供改进，随着新的、更丰富的数据集变得可用，现有的机器学习模型的泛化仍需要进一步研究。

Sep, 2022

我们研究了使用可穿戴生物信号数据进行三类情绪分类（中性、压力和娱乐）的个性化和普遍化机器学习模型之间的差异，并发现个性化模型在特定情境下表现优于普遍化模型。

Aug, 2023

该综述系统评估了机器学习在检测、预测和分析心理压力及相关心理障碍方面的应用。研究发现，支持向量机、神经网络和随机森林模型在所有算法中表现出色，生理参数如心率和皮肤反应是用于压力预测的常见参数，降维技术在训练机器学习算法之前是一个关键步骤。该综述还指出了研究领域的重要空白和未来发展方向。

Aug, 2023

使用穿戴设备收集的生物信号数据进行压力预测，通过个性化的自监督学习方法，基于神经网络模型实现了较少标注数据即可达到等效结果，从而辅助移动感知技术在诸如压力等复杂、异质和主观主题上精准度健康评估系统。

Aug, 2023

通过比较不同程度的噪音对生理唤醒分类问题分类模型的影响，该研究探讨了为什么和如何以前的方法失败，并分析了噪音对每个模型结构的影响，从而开发出对噪音环境具有鲁棒性的模型，适合于日常生活的喧嚣。

Jun, 2023

本文提出了一种使用多个数据集结合模型集成方法，并将其应用于压力检测的方法，该方法的表现优于仅基于单个小数据集训练的模型。

Sep, 2022

本文介绍了使用可穿戴设备通过皮肤电和心率等多模态生理数据获取个性化的压力识别方法，基于多任务学习的神经网络方法能够成功应用在真实驾驶和模拟驾驶的数据中。

Nov, 2017

本文研究了使用可穿戴传感器收集生理数据来探测情感状态的方法，指出了使用机器学习算法对已标记的生理数据进行情感状态检测的方法存在的问题，提出了使用半监督学习算法来减少标记成本的解决方案，并通过在公开数据集 WESAD 进行实验比较了半监督算法和全监督算法的性能，结果表明半监督算法是一种价格低廉且具有准确性的检测情感状态的有效方法。

Jun, 2022